PCA(主成分分析)

本文详细解析了Principal Component Analysis (PCA)的原理,包括去中心化、寻找主成分方向,以及拉伸和旋转操作。重点介绍了协方差矩阵的运用和PCA求解过程,同时提到了其对离群点敏感性的缺点。
摘要由CSDN通过智能技术生成

Principal Component Analysis

原图像:
请添加图片描述
降维后:
请添加图片描述

PCA主要是找坐标系

新坐标系的第一个方向是主成分一,第二个方向是主成分二

主成分一投影方向方差最大时候保留信息最多,所以就是找到方差最大的方向

两步:

  • 去中心化(把坐标原点放到数据中心)
  • 找坐标系(找到方差最大的方向)
    请添加图片描述
    请添加图片描述
    请添加图片描述

拉伸决定了方差最大的方向是横或者纵,旋转决定了方差最大的方向的角度

立即推,我们要求的就是R

请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
请添加图片描述
求协方差:
请添加图片描述
代入:
请添加图片描述

请添加图片描述

PCA求解过程:

请添加图片描述

PCA缺点:离群点的影响比较大
请添加图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值